推荐系统为什么要做多阶段（召回-粗排-精排-重排）而不是一个模型直接排？每一阶段的核心目标有什么不同？

面试官在考什么

考察对推荐系统整体架构的理解与分阶段设计的动机

双塔召回粗排精排多目标排序

回答框架 · 前两步

1. 全量候选极多，单模型精算成本与延迟不可接受，必须逐级削峰
2. 召回：从海量候选快速取相关子集，要的是覆盖与高召回，模型要轻（双塔内积可 ANN 检索）

同一能力域的其他题

• 双塔召回为什么必须最后才做用户侧和物品侧的交互？如果想加强交互能力，业界有哪些改进方向？
• 多目标排序里，你手上的 CTR、CVR、时长这几个目标怎么融合成一个排序分？各目标样本量差异很大怎么办？
• 某电商推荐场景，item 约 500 万，日活用户 2000 万，用户平均有效行为 40 条。行为分布极度长尾：Top 1% 的 item 吃掉了约 60% 的行为。你用 ItemCF 做召回，上线后发现不同用户的召回结果高度雷同，基本集中在几百个头部爆款上。请给出你会采用的 item 相似度计算公式（写清楚热门惩罚项放在哪一项），并回答两点：(a) 为什么惩罚要作用在相似度层面，而不是在召回打分阶段给热门 item 乘一个降权系数；(b) 一个只有 2 条历史行为、且都是长尾商品的用户，你怎么保证他仍有足够的召回量。
• 某电商推荐系统的 i2i 协同过滤召回已经跑了两年：物品 200 万，日活 500 万，日新增用户-物品行为 2 亿条，离线用余弦相似度按天全量重算共现矩阵。最近两个季度，头部 5% 的商品占据了约 60% 的召回曝光位，长尾和新品几乎拿不到量。你接手后，会怎么定位这到底是「相似度定义」的问题还是「链路结构」的问题，并给出你的改造方案与验证口径？
• 已知用户-物品二值行为矩阵（1 = 有过交互）：u1={i1,i2,i3}，u2={i2,i3,i4}，u3={i3,i4}，u4={i1}。请用 UserCF 给 u1 生成推荐：① 基于二值向量的余弦相似度，算出 u1-u2、u1-u3、u1-u4 分别是多少（保留两位小数）；② 取 Top-2 邻居、按相似度加权，写出你会推给 u1 的物品和分数；③ 如果某个邻居是一个几乎什么都看过的超级活跃用户，这个打分公式会出什么问题，怎么改。
• 你的双塔召回模型已上线，用户塔和 item 塔各输出 64 维向量，线上用 ANN 检索 top 500。item 塔的输入中包含 item_id 的 embedding。现在每天新增约 10 万个新 item，全量 item 有 8000 万，训练样本取自过去 30 天的曝光点击日志。业务反馈：新品发布后 24 小时内几乎拿不到任何曝光。请说明原因并给出改法，要具体到 item 塔里哪些特征留、哪些不留，以及新 item 的向量是怎么产生的。